百度專利關于重復檢測
分享
評論
贊0
在之前一般是通過比較兩個頁面的內容和節點,來確認兩個頁面的相似度。這種方法能夠計算得比較準確,可時間復雜度太高,計算很費時間。通過對一個頁面中的某些重要信息進行簽名,然后比較兩個頁面的簽名,來計算相似度,這種方式比較簡單 高效,計算速度比較快,比較適合互聯網這種海量信息的應用場景!
在百度專利《一種網頁重復的判斷系統及其判斷方法 》（申請號:201110031636.9 ）中使用了新的方法對網頁庫中的網頁進行重復檢測.
首先是對待檢測的網頁進行正文提取,正文提取的方法就是對網頁進行分塊,然后獲取正文塊,然后提取正文塊中的文章.
提取到文章內容后,對正文進行分句,然后對每一個句子進行轉換和過濾(特殊字符),對較長的一個或幾個句子進行Hash簽名,以獲得網頁正文句子簽名.
接著把正文句子簽名相同的文章分為一個類,我們稱之為網頁集,對該網頁集下的文章再進行下一步的判斷,這里還得再計算一些簽名
1.網頁正文的simhash簽名
2.真實標題的hash簽名
3.標簽標題的hash簽名
4.網頁摘要的hash簽名
5.網頁內容的hash簽名
6.位置簽名的hash簽名
7.評論信息的hash簽名
8.資源簽名(資源簽名是通 過對網頁中的圖片資源、聲音資源、視頻資源或下載鏈接資源的 url 進行 hash 簽名運算獲得)
9.URL文件名的hash簽名(url文件名簽名是通過對網頁的 url 中的文件名進行 hash 簽名運算獲得)
這些計算完了,就可以進行下一步的判斷了,真重復的網頁舉例:
1、兩個網頁的真實標題簽名相同。
2、兩個網頁的網頁內容簽名相同。
3、兩個網頁的網頁正文簽名(simhash)的不同位數小于 6。
4、兩個網頁的網頁位置簽名相同,并且 url 文件名簽名相同。
5、評論塊簽名、資源簽名、標簽標題簽名、摘要簽名、url 文件名簽名中有三個簽名相同。
通過兩兩頁面比較,可以得到真重復 url 的集合。一般來說,如果這個真重復 url 集合中的網頁的數量 / 整個網頁集中網頁的數量> 30%,則認為整個網頁集都是真重復, 否則就是假重復。
猜你喜歡
評論(0人參與，0條評論)
發布評論
最新評論